LLM-Agent-UMF: Marco Unificado de Modelado de Agentes basado en LLM para la Integración Fluida de Agentes Núcleo Activos/Passivos Múltiples

LLM-Agent-UMF: LLM-based Agent Unified Modeling Framework for Seamless Integration of Multi Active/Passive Core-Agents

September 17, 2024

Autores: Amine B. Hassouna, Hana Chaari, Ines Belhaj

cs.AI

Resumen

La integración de herramientas en agentes basados en LLM superó las dificultades de los LLM independientes y las capacidades limitadas de los agentes tradicionales. Sin embargo, la conjunción de estas tecnologías y las mejoras propuestas en varios trabajos de vanguardia siguieron una arquitectura de software no unificada que resultó en una falta de modularidad. De hecho, se centraron principalmente en funcionalidades y pasaron por alto la definición de los límites de los componentes dentro del agente. Esto causó ambigüedades terminológicas y arquitectónicas entre los investigadores, las cuales abordamos en este documento proponiendo un marco unificado que establece una base clara para el desarrollo de agentes basados en LLM desde perspectivas funcionales y arquitectónicas de software. Nuestro marco, LLM-Agent-UMF (Marco Unificado de Modelado de Agentes basados en LLM), distingue claramente entre los diferentes componentes de un agente, separando los LLM y las herramientas de un elemento recién introducido: el núcleo-agente, que desempeña el papel de coordinador central del agente y que comprende cinco módulos: planificación, memoria, perfil, acción y seguridad, esta última a menudo descuidada en trabajos anteriores. Las diferencias en la estructura interna de los núcleos-agentes nos llevaron a clasificarlos en una taxonomía de tipos pasivos y activos. Basándonos en esto, propusimos diferentes arquitecturas de agentes multinúcleo combinando características únicas de varios agentes individuales. Con fines de evaluación, aplicamos este marco a una selección de agentes de vanguardia, demostrando así su alineación con sus funcionalidades y aclarando los aspectos arquitectónicos pasados por alto. Además, evaluamos a fondo cuatro de nuestras arquitecturas propuestas integrando agentes distintivos en sistemas híbridos de núcleos-agentes activos/pasivos. Este análisis proporcionó ideas claras sobre posibles mejoras y resaltó los desafíos involucrados en la combinación de agentes específicos.

English

The integration of tools in LLM-based agents overcame the difficulties of standalone LLMs and traditional agents' limited capabilities. However, the conjunction of these technologies and the proposed enhancements in several state-of-the-art works followed a non-unified software architecture resulting in a lack of modularity. Indeed, they focused mainly on functionalities and overlooked the definition of the component's boundaries within the agent. This caused terminological and architectural ambiguities between researchers which we addressed in this paper by proposing a unified framework that establishes a clear foundation for LLM-based agents' development from both functional and software architectural perspectives. Our framework, LLM-Agent-UMF (LLM-based Agent Unified Modeling Framework), clearly distinguishes between the different components of an agent, setting LLMs, and tools apart from a newly introduced element: the core-agent, playing the role of the central coordinator of the agent which comprises five modules: planning, memory, profile, action, and security, the latter often neglected in previous works. Differences in the internal structure of core-agents led us to classify them into a taxonomy of passive and active types. Based on this, we proposed different multi-core agent architectures combining unique characteristics of various individual agents. For evaluation purposes, we applied this framework to a selection of state-of-the-art agents, thereby demonstrating its alignment with their functionalities and clarifying the overlooked architectural aspects. Moreover, we thoroughly assessed four of our proposed architectures by integrating distinctive agents into hybrid active/passive core-agents' systems. This analysis provided clear insights into potential improvements and highlighted the challenges involved in the combination of specific agents.